一种面向载体源失配问题的图像隐写分析方法技术

本发明专利技术涉及一种面向载体源失配问题的图像隐写分析方法，其包括以下步骤：S1、构建C

【技术实现步骤摘要】
一种面向载体源失配问题的图像隐写分析方法


[0001]本专利技术涉及图像隐写分析领域，具体涉及了一种面向载体源失配问题的图像隐写分析方法。

技术介绍

[0002]隐写是将秘密信息嵌入到载体(图像、视频等)中实现隐蔽通信的技术，可以有效保护数据安全。而隐写分析是用来检测媒体中是否存在秘密信息的技术，对于防止隐写的滥用、打击违法犯罪问题、维护国家安全具有重大的意义。在隐写分析中，当待检测的图像与用于训练的图像来自于不同分布的数据源时，这种情况称为载体源失配。在实验室环境中的隐写分析模型通常是在载体源匹配的情况下设计的，当面临载体源失配情况时，隐写分析模型的检测正确率会严重下降，甚至失去检测能力。但在现实应用中，由于获取检测图像来源的不可知性，大部分情况待检测的图像与训练深度隐写分析模型的图像是来自于不同的分布的。载体源失配问题是隐写分析从实验室环境走向实际应用的一个严重阻碍。

技术实现思路

[0003]针对现有技术的不足，本专利技术提供有效解决载体源失配时性能下降问题的图像隐写分析方法。
[0004]本专利技术的一种面向载体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向载体源失配问题的图像隐写分析方法，其特征在于：其包括以下步骤：S1、构建C
‑
Net网络模型：其包括预处理层、特征提取层、分类器和CDD模块；所述预处理层预处理样本；所述特征提取层提取预处理样本的隐写分析的特征；所述分类器对特征提取层的特征进行分类；所述CDD模块将训练集和测试训练集的样本的特征按照类别标签进行对齐；S2、准备训练集和测试训练集：由图像样本集生成训练集和测试集，再由测试集通过二次嵌入生成测试训练集并设置测试训练集的伪标签；S3、C
‑
Net网络模型初始化：使用含有真实标签的训练集中的样本对除CDD模块以外的C
‑
Net网络模型进行训练，并使用优化器快速收敛，获得卷积层的参数；S4、C
‑
Net网络模型训练：将获得的卷积层的参数加载进C
‑
Net网络模型，用带有真实标签的训练集和具有伪标签的测试训练集中的样本同时送入C
‑
Net中参与训练，使C
‑
Net网络的损失函数的值最小，并微调卷积层和全连接层的网络参数，使用优化器快速收敛，获得最终C
‑
Net网络模型；S5、使用最终C
‑
Net网络模型对待检测图像进行隐写分析，判定待检测图像是否为载密图像。2.根据权利要求1所述的一种面向载体源失配问题的图像隐写分析方法，其特征在于：所述步骤S1中的预处理层包括使用30个SRM高通滤波器放大输入样本的高频部分隐写信号。3.根据权利要求1所述的一种面向载体源失配问题的图像隐写分析方法，其特征在于：所述步骤S1中的特征提取层由卷积层、绝对值激活层、批处理归一化层、非线性激活层和平均池化层连接而成，所述卷积层提取预处理样本有效的特征，其包括5个卷积块其中卷积块CNN1和CNN2由30
×
(5
×5×
30)卷积核组成，卷积块CNN3由32
×
(3
×3×
32)卷积核组成，卷积块CNN4由32
×
(3
×3×
64)卷积核组成，卷积块CNN5由64
×
(3
×3×
128)卷积核组成；所述绝对值激活层仅应用在卷积块CNN1中；所述批处理归一化层加速模型收敛，并最终缩放和转换分布；所述非线性激活层把批处理归一化层的输出结果做非线性映射获得特征图，其中对CNN1和CNN2使用TLU激活函数，对CNN3、CNN4和CNN5使用ReLU激活函数，所述平均池化层仅在CNN2、CNN3、CNN4和CNN5中使用，对特征图进行取样压缩。4.根据权利要求1所述的一种面向载体源失配问题的图像隐写分析方法，其特征在于：所述步骤S1中的分类器包括两个全连接...

【专利技术属性】
技术研发人员：陈梦飞，翁韶伟，于丽芳，张天聪，
申请(专利权)人：福建工程学院，
类型：发明
国别省市：